پرویز ضیائیان فیروزآبادی؛ پریسا صفربیرانوند؛ علی حسینقلی‌زاده؛ رحیم حسنی‌تبار؛ مهدی صفربیرانوند
دوره 10، شماره 1 ، شهریور 1397، ، صفحه 1-16
چکیده
مسئلة تهیة نقشة واحدهای سنگی، در روندی رو به بهبود، به نقطه‌ای رسیده است که امروزه آشکارسازی و طبقهبندی واحدهای سنگی به‌کمک سنجش از دور ابرطیفی انجام میشود. در این پژوهش، تصاویر هایپریون با درنظرگرفتن نتایج کار محققان پیشین و استفاده از الگوریتم طبقهبندی نظارت‌شدةSAM در تشخیص و تفکیک واحدهای سنگی در منطقة خرم‌آباد استان لرستان ...
بیشتر
مسئلة تهیة نقشة واحدهای سنگی، در روندی رو به بهبود، به نقطه‌ای رسیده است که امروزه آشکارسازی و طبقهبندی واحدهای سنگی به‌کمک سنجش از دور ابرطیفی انجام میشود. در این پژوهش، تصاویر هایپریون با درنظرگرفتن نتایج کار محققان پیشین و استفاده از الگوریتم طبقهبندی نظارت‌شدةSAM در تشخیص و تفکیک واحدهای سنگی در منطقة خرم‌آباد استان لرستان به‌کار رفته است. SAM یک روش رده‌بندی سریع است که، از راه ارزیابی، میزان تشابه طیف‌های تصویر و مرجع عمل نقشه‌برداری واحدهای زمین‌شناختی را نشان میدهد. پس از پیش‌پردازش‌های لازم، ازجمله تصحیح اتمسفری که به‌روشFLAASH اجرا شد، تبدیل خطیMNF به‌منظور مشخص‌کردن بعد و حجم اصلی تصویر، جداسازی نویز از دیگر اطلاعات و کاهش میزان پردازش در مراحل بعد استفاده شد و الگوریتمPPI برای پیداکردن پیکسل‌هایی با خلوص بیشتر در تصاویر چندطیفی یا فراطیفی به‌کار رفت. از هم‌پوشانی پیکسل‌های خالص با واحدهای سنگی و برپایة داده‌های زمینی از منطقة مورد مطالعه، طیف میانگین برای هر عضو استخراج شد. سپس این اعضای خالص، به‌منزلة ورودی جهت الگوریتم ذکرشده، استفاده و طبقهبندی تصویر صورت گرفت. درنهایت، نقشة طبقه‌بندی‌شدة حاصل از این روش با نقشه‌های موجود و داده‌های زمینی مقایسه و میزان صحت آن بررسی شد. دقت اجرای روش SAM با بررسی صحت الگوریتم، ازطریق محاسبة ماتریس خطا، به بیشترین میزان 83/68٪ و ضریب کاپای 49/0٪ بوده است که خود اهمیت تصاویر فراطیفی و روش SAM در تفکیک واحدهای سنگی را نشان میدهد.
حمید عزت‌آبادی‌پور
دوره 10، شماره 3 ، فروردین 1397، ، صفحه 17-32
چکیده
الگوریتم خوشه‌بندی K-Means یکی از پرکاربردترین روش‌های طبقهبندی نظارت نشده در پردازش تصاویر سنجش از دور است. در الگوریتم K-Means استاندارد، از معیار عدم شباهتِ فاصله اقلیدسی، به منظور اندازه‌گیری عدم شباهتِ بین داده‌ها و خوشه‌ها استفاده میشود. فاصله اقلیدسی، یک معیار عدم شباهتِ قطعی است که بردار طیفی پیکسل‌ها و مراکز خوشه‌ها ...
بیشتر
الگوریتم خوشه‌بندی K-Means یکی از پرکاربردترین روش‌های طبقهبندی نظارت نشده در پردازش تصاویر سنجش از دور است. در الگوریتم K-Means استاندارد، از معیار عدم شباهتِ فاصله اقلیدسی، به منظور اندازه‌گیری عدم شباهتِ بین داده‌ها و خوشه‌ها استفاده میشود. فاصله اقلیدسی، یک معیار عدم شباهتِ قطعی است که بردار طیفی پیکسل‌ها و مراکز خوشه‌ها را به صورت نقاطی در یک فضای چندبعدی در‌نظر می‌گیرد و فاصله هندسی بین آنها را اندازه‌گیری میکند. تصاویر فراطیفی همواره دارای عدم قطعیت هستند، به همین دلیل استفاده از یک معیار عدم شباهت آماری (غیرقطعی)، جهت خوشه‌بندی آنها مناسب‌تر به نظر می‌رسد. بر این اساس در این مقاله، با به‌کارگیری یک معیار عدم شباهت آماری، یک روش نظارت نشده جدید برای خوشه‌بندی تصاویر فراطیفی طراحی و پیادهسازی شده است. روش خوشه‌بندی پیشنهادی، برای برآورد عدم شباهت بین مرکز خوشه‌ها و پیکسل‌ها، از یک معیار عدم شباهت آماری، به نام دیورژانس اطلاعات طیفی، به‌جای فاصله اقلیدسی استفاده میکند. دیورژانس اطلاعات طیفی، توزیع احتمال طیف‌ها را از طریق نرمالکردن امضای طیفی، مدلسازی میکند. سپس فاصله بین توزیع احتمال طیف یک پیکسل و توزیع احتمال طیف هر مرکز خوشه را برآورد میکند. آزمون‌های انجام‌شده بر روی داده‌های تصویری فراطیفی واقعی حاصل از سه سنجنده HyMap، HYDICE و Hyperion نشان میدهد که روش خوشه‌بندی پیشنهادیِ مبتنی بر دیورژانس اطلاعات طیفی، نتایج طبقهبندی را بهبود می‌بخشد، به‌طوری که ضریب کاپای نتایج طبقهبندی تصاویر فراطیفی مورد استفاده به ترتیب، حدود 7%، 56% و 10% افزایش یافته است.
حمید عزت‌آبادی‌پور؛ سعید همایونی
دوره 7، شماره 3 ، بهمن 1394، ، صفحه 97-114
چکیده
مدل‌های خوشه‌بندی c-means یکی از پرکاربردترین شیوه‌های طبقهبندی نظارت‌نشده در آنالیز داده‌ها به‌شمار میرود. مدل فازی این روش، یعنی Fuzzy c-means، یکی از مشهورترین مدل‌هایی است که در آن هر داده با یک مقدار درجۀ عضویت بین 0 و 1، به هر یک از خوشه‌ها اختصاص داده میشود. این مدل خوشه‌بندی جهت طبقهبندی داده‌های سنجش از دوری بسیار استفاده ...
بیشتر
مدل‌های خوشه‌بندی c-means یکی از پرکاربردترین شیوه‌های طبقهبندی نظارت‌نشده در آنالیز داده‌ها به‌شمار میرود. مدل فازی این روش، یعنی Fuzzy c-means، یکی از مشهورترین مدل‌هایی است که در آن هر داده با یک مقدار درجۀ عضویت بین 0 و 1، به هر یک از خوشه‌ها اختصاص داده میشود. این مدل خوشه‌بندی جهت طبقهبندی داده‌های سنجش از دوری بسیار استفاده شده است. مدل Fuzzy c-means از فاصلۀ اقلیدسی جهت خوشه‌بندی استفاده کرده و برای همۀ خوشه‌ها شکل یکسانی فرض میکند. با وجود این، این مدل برای داده‌هایی که در آنها کلاس‌ها دارای شکل و حجم متفاوت‌اند، مناسب به نظر نمیرسد. برای رفع این مشکل، مدل Gustafson-Kessel جهت خوشه‌بندی داده‌های پیچیده ارائه شده است. این مدل برمبنای به‌کارگیری یک ماتریس کوواریانس فازی برای هر خوشه عمل میکند و شکل هندسی، حجم و جهتگیری یکسانی برای همۀ خوشه‌ها در نظر نمیگیرد. در این تحقیق، از هر دو مدل خوشه‌بندی مذکور جهت داده‌های سنجش از دوری فراطیفی واقعی حاصل از سنجنده‌های Hyperion، ROSIS و CASI استفاده شده است. نتایج حاصل از مدل‌های خوشه‌بندی Fuzzy c-means و Gustafson-Kessel به پارامتری به نام فازی‌کننده وابسته است که در این تحقیق، مقدار بهینۀ آن با محاسبه و بررسی دقت طبقهبندی هر یک از این مدل‌ها، در ازای فازی‌کننده‌های مختلف به‌دست آمده است. نتایج به‌دست‌آمده در ازای مقدار بهینه فازی‌کننده، نشان میدهد که مدل Gustafson-Kessel دقت و صحت طبقهبندی را حدود 5/12% برای داده‌های Hyperion و حدود 45/8% برای داده‌های ROSIS افزایش میدهد. همچنین، ارزیابی دیداری نتایج دو مدل خوشه‌بندی روی داده‌های CASI نشان میدهد که مدل Gustafson-Kessel عملکرد بهتری دارد. البته در مقابل، باید گفت مدل Gustafson-Kessel هزینۀ زمانی بیشتری را صرف میکند و همچنین، جهت تعیین پارامتر مربوط به حجم خوشه‌ها، به دانش قبلی نیاز دارد.
امین علیزاده نایینی؛ فرهاد صمدزادگان؛ سعید نیازمردی
دوره 3، شماره 3 ، آذر 1390
چکیده
امروزه با رشد و توسعه ی سیستم های سنجش از دور و تولید داده های فراطیفی با قدرت تفکیک طیفی بالا انتظار می رود که شناسایی پدیده ها با دقت بیشتری انجام گیرد و دقت خوشه بندی کلاس های پوشش زمینی مشابه افزایش یابد. با وجود چنین پیشرفتی، اطلاعات طیفی با ابعاد زیاد همچنان مسئله ای چالش برانگیز در پردازش و تجزیه و تحلیل داده قلمداد می شود، به ...
بیشتر
امروزه با رشد و توسعه ی سیستم های سنجش از دور و تولید داده های فراطیفی با قدرت تفکیک طیفی بالا انتظار می رود که شناسایی پدیده ها با دقت بیشتری انجام گیرد و دقت خوشه بندی کلاس های پوشش زمینی مشابه افزایش یابد. با وجود چنین پیشرفتی، اطلاعات طیفی با ابعاد زیاد همچنان مسئله ای چالش برانگیز در پردازش و تجزیه و تحلیل داده قلمداد می شود، به گونه ای که با افزایش ابعاد داده، دقت خوشه بندی تا یک حد آستانه افزایش و سپس کاهش می یابد. بنابراین به منظور انجام خوشه بندی مناسب نیاز است تا به طور هم زمان باندهای بهینه این تصاویر نیز انتخاب گردند و یا به عبارت دیگر دو مسئله خوشه بندی و انتخاب باندهای بهینه با هم در نظر گرفته شوند. در مقاله حاضر، روش جدیدی برای خوشه بندی داده های فراطیفی به وسیله الگوریتم بهینه سازی توده ذرات ارائه شده است که در آن به طور مشترک موقعیت بهینه ی مراکز خوشه ها و تعداد باندهای بهینه ی تصاویر فراطیفی به دست می آید. قابلیت بالای این الگوریتم در جست و جوی سراسری فضای مسئله و حل هم زمان توابع هدف مختلف باعث شد تا از آن برای خوشه بندی داده های فراطیفی استفاده گردد. در پژوهش حاضر، پس از بررسی خوشه بندی داده ای فراطیفی مبتنی بر الگوریتم توده ذرات، روش پیشنهادی خوشه بندی بر مبنای حل هم زمان خوشه بندی و انتخاب باندهای بهینه معرفی می گردد. مقایسه نتایج به دست آمده برای خوشه بندی داده های سنجنده ی AVIRIS نشان می دهد که نتایج حاصل از الگوریتم بهینه سازی توده ذرات و همچنین روش پیشنهادی به ترتیب با مقدار کاپای 22/74 و 57/76 از دیگر الگوریتم های استفاده شده در این تحقیق بهتر و کارآمدتر است.
داود اکبری؛ سعید همایونی؛ محمد سعادت سرشت
دوره 3، شماره 2 ، شهریور 1390
چکیده
پیچیدگی و حجم سنگین داده های حاصل از سنجنده های فراطیفی باعث شده است که امروزه روش های هرچه پیشرفته تر آنالیز داده های فراطیفی به منظور استخراج اطلاعات دقیق تر و کامل تر از آنها مورد توجه قرار گیرند. یکی از آنالیزهایی که بر روی تصاویر فراطیفی انجام می شود، آشکارسازی طیفی هدف است. در این مقاله به منظور بررسی روش های آشکار سازی طیفی هدف ...
بیشتر
پیچیدگی و حجم سنگین داده های حاصل از سنجنده های فراطیفی باعث شده است که امروزه روش های هرچه پیشرفته تر آنالیز داده های فراطیفی به منظور استخراج اطلاعات دقیق تر و کامل تر از آنها مورد توجه قرار گیرند. یکی از آنالیزهایی که بر روی تصاویر فراطیفی انجام می شود، آشکارسازی طیفی هدف است. در این مقاله به منظور بررسی روش های آشکار سازی طیفی هدف و امکان سنجی بهبود آنها، جمعاً چهارده الگوریتم در قالب سه دسته اندازه گیری های قطعی، اندازه گیری های آماری و آشکارسازی آنامولی پیاده سازی شده است. سپس تصاویر حاصل از بهترین الگوریتم ها در هر دسته انتخاب شده و به روش های مختلف در دو مرحله با یکدیگر تلفیق گریده اند تا تصویر تلفیقی بهینه ای با بالاترین صحت به دست آید. در بررسی های انجام شده در زمینه دسته الگوریتم های آشکارسازی مذکور، مشخص گردید که به ترتیب دو الگوریتم _SAM(Spectral Angle Measure) _ SCS(Spectral Correlation Similarity دو الگوریتم Information ) JMD(Jeffiries-Matusita Distance) _ SID (Spectral Divergence و سه الگوریتم Covariance-based Matched Filter ) RMFM(Correlation-based Matched Filter Measure) _ CEM (Constrained Energy minimizing) _CMFM(Measure دارای بالاترین صحت آشکراسازی در بین الگوریتم های موجود در هر دسته اند. در این مقاله به منظور تلفیق نتایج آشکارسازی، دو روش باینری- شامل عملگر بولی و فاصله اقلیدسی- و نیز دو روش استنتاج فازی شامل دستی FIS (Fuzzy Inference System) و اتوماتیک System )) (ANFIS (Adaptive Neuro-Fuzzy Inference پیاده سازی شده است. آزمون های انجام گرفته بر روی تصویری از سنجنده فراطیفی CASI(Compact Airborne Spectrographic Imager) از منطفه شهری تولوز واقع در جنوب فرانسه برای آشکارسازی بام ساختمان ها، نشان داد که در بین چهار روش تلفیق یاد شده، روش ANFIS به عنوان روشی هوشمند و خودکار، پس از اعمال روی نتایج هفت الگوریتم آشکارسازی طیفی مذکور، توانسته است به بالاترین صحت با ضریب کاپای 9/0 دست یابد.
